改进YOLOv5s的小目标烟雾火焰检测算法

针对复杂环境中,烟雾火焰检测存在精度低,小目标检测困难等问题,提出一种改进的基于YOLOv5s的小目标烟雾火焰检测算法。基于公开数据集自建了9 981张不相似的烟雾火焰图像数据集,解决现有数据集的限制,提高了模型的训练效率与泛化能力;在网络中添加3-D注意力机制SimAM,增加算法的特征提取能力,而且没有增加额外的参数;修改网络中的Neck结构,将三尺度检测改为四尺度检测,并结合了加权双向特征金字塔网络（BiFPN）结构,对特征融合过程进行修改,提高小目标的检测能力与特征融合能力;通过遗传算法来优化网络中的部分超参数,进一步模型的检测能力。实验结果表明,改进后的算法比原始YOLOv5s算法平均检测精度提高了7.2%,同时对小目标检测精度更高,误检漏检等情况减少。     

基于边界极限点特征的改进YOLOv3目标检测

目标数量多、尺度较小与高度重叠等问题导致目标检测精度低、难度大。为提升目标检测精度,尽可能避免漏检、误检情况,提出一种基于边界极限点特征的改进YOLOv3目标检测算法。首先,引入边界增强算子Border,从边界的极限点中自适应地提取边界特征来增强已有点特征,提高目标定位准确度;然后,增加目标检测尺度,细化特征图,增强特征图深、浅层语义信息的融合,提高目标检测精度;最后,基于目标检测中目标实例特性及改进网络模型,引入完全交并比（CIoU）函数对原YOLOv3损失函数进行改进,提高检测框收敛速度以及检测框召回率。实验结果表明,相较于原YOLOv3目标检测算法,改进后的YOLOv3目标检测算法的平均精度提高了3.9个百分点,且检测速度与原算法相近,能有效提高模型对目标的检测能力。     

基于改进YOLOv8的遥感图像飞机目标检测研究

为解决遥感图像飞机目标检测时易出现检测精度低与漏检误检等问题,提出了一种基于YOLOv8算法的遥感图像飞机目标检测改进算法。首先,将坐标注意力机制模块嵌入卷积模块中,使其能提取复杂背景下的飞机小目标;然后,优化了检测头,去除了大的目标检测头,在提升小目标检测能力的同时减少算法的计算量;最后,使用WIoU作为改进的损失函数,以提高检测精度。实验表明,改进的YOLOv8算法能够有效提高飞机检测精度,可适用于遥感图像的飞机目标检测。     

改进YOLOv5的复杂道路目标检测算法

针对复杂道路背景下的密集遮挡目标和小目标导致的误检、漏检问题,提出一种基于改进YOLOv5的复杂道路目标检测算法。引入Quality Focal Loss,将分类得分与位置的质量预测结合,提高了对密集遮挡目标的定位精度;增加一层浅层检测层作为更小目标的检测层,将原始算法的三尺度检测改为四尺度,特征融合部分也作相应改进,提高了算法对小目标特征的学习能力;借鉴加权双向特征金字塔网络（BiFPN）的特征融合思想,提出了去权重的BiFPN,充分利用深层、浅层以及原始的特征信息,加强了特征融合,减少了卷积过程中特征信息的丢失,提高了检测精度;引入卷积块注意模块（CBAM）,进一步提升了算法的特征提取能力,让算法更关注有用的信息。实验结果表明,该改进算法在公开的自动驾驶数据集KITTI和自制的骑乘人员头盔数据集Helmet上的检测精度分别达到了94.9%和96.8%,相比原始算法分别提高了1.9个百分点和2.1个百分点的检测精度,检测速度分别达到了69 FPS和68 FPS,具有较好的检测精度与实时性,同时与一些主流的目标检测算法相比,该改进算法也有一定的优越性。     

基于改进YOLOv5的带式输送机大块煤检测

过大的煤块在带式输送机上运输时易造成煤流不畅、堵塞及堆煤,然而大块煤和普通煤块在外形和颜色上的差异较小,且煤块间存在遮挡和堆叠的情况,现有煤块检测方法对大块煤与普通煤块的区分不够精确,容易出现漏检或误检。针对上述问题,提出了一种改进YOLOv5模型,用于带式输送机大块煤检测。利用并行空洞卷积模块替换YOLOv5骨干网络中的部分普通卷积模块,扩大感受野,提升多尺度特征学习能力,从而更好地区分大块煤与普通煤块;在颈部网络中加入联合注意力模块,更好地融合上下文信息,提高对大块煤的定位能力。利用训练好的改进YOLOv5模型对摄像仪采集的实时输煤视频进行检测,根据大块煤的数量信息实时联动PLC示警。实验结果表明：相比于原始YOLOv5模型,改进YOLOv5模型在召回率和平均精度上分别提高了3.4%,2.0%;PLC可根据改进YOLOv5模型检测出的大块煤数量操作相应的指示灯和蜂鸣器进行示警;将改进YOLOv5模型应用于煤矿井下实际输煤视频中,对大块煤的检测精确率达97.0%,有效避免了漏检和误检现象。     

密集交通场景中改进YOLOv3目标检测优化算法

针对交通拥堵的车辆密集场景中检测目标重叠率高而导致漏检和误检的问题，提出了改进YOLOv3、CIoU损失函数优化以及SD-NMS优化算法(简记L-YOLOv3+CIoU Loss+SD-NMS)。利用深度可分离卷积、SE模块和Ghost模块改进YOLOv3的残差单元结构，以提高对密集目标的特征提取能力，减少网络模型参数量；采用完整交并比CIoU损失函数加快网络模型收敛速度，同时将多目标集合预测思想与DIoU-NMS有机结合，提出了SD-NMS优化算法，以降低漏检误检率。在BDD100K数据集上进行实验，结果表明，改进的目标检测算法召回率达到91.58%,精准率达到93.04%,与YOLOv3算法相比，召回率和精准率分别提升了12.09%和9.52%,具有更好的检测效果。     

面向小目标的YOLOv5s安全帽佩戴检测

本文介绍了一种新的基于YOLOv5s的目标检测方法,旨在弥补当前主流检测方法在小目标安全帽佩戴检测方面的不足,提高检测精度和避免漏检.首先增加了一个小目标检测层,增加对小目标安全帽的检测精度;其次引入ShuffleAttention注意力机制,本文将ShuffleAttention的分组数由原来的64组减少为16组,更加有利于模型对深浅、大小特征的全局提取;最后增加SA-BiFPN网络结构,进行双向的多尺度特征融合,提取更加有效的特征信息.实验表明,和原YOLOv5s算法相比,改善后的算法平均精确率提升了1.7%,达到了92.5%,其中佩戴安全帽和未佩戴安全帽的平均精度分别提升了1.9%和1.4%.本文与其他目标检测算法进行对比测试,实验结果表明SAB-YOLOv5s算法模型仅比原始YOLOv5s算法模型增大了1.5M,小于其他算法模型,提高了目标检测的平均精度,减少了小目标检测中漏检、误检的情况,实现了准确且轻量级的安全帽佩戴检测.     

一种改进YOLOv5s的多尺度目标检测算法

针对多尺度目标检测准确率偏低的问题,提出了一种基于YOLOv5s改进的多尺度目标检测算法。在YOLOv5s主干网络与Neck网络之间融合CBAM模块,增强模型对多尺度目标重要特征信息的提取能力;同时,在模型的Head部分增加多尺度目标检测结构,提高不同尺度目标检测精度;训练时采用CIoU替代GIoU损失函数,以提高模型收敛能力,实现高精度目标定位。数据集来源于实际场景中采集并增强的4万余张图像。实验结果表明,改进后的模型对行人、车辆和人脸的多尺度目标检测平均精度达92.1%,相比未改进YOLOv5s算法提升了3.4%。模型的收敛性好,对密集场景的目标,小尺度目标检测准确度更加突出。     

基于改进YOLOv3的多尺度目标检测算法

为了进一步提高多尺度目标检测的速度和精度,解决小目标检测易造成的漏检、错检以及重复检测等问题,提出一种基于改进YOLOv3的目标检测算法实现多尺度目标的自动检测。首先,在特征提取网络中对网络结构进行改进,在残差模块的空间维度中引入注意力机制,对小目标进行关注;然后,利用密集连接网络（DenseNet）充分融合网络浅层信息,并用深度可分离卷积替换主干网络中的普通卷积,减少模型的参数量,提升检测速率。在特征融合网络中,通过双向金字塔结构实现深浅层特征的双向融合,并将3尺度预测变为4尺度预测,提高了多尺度特征的学习能力;在损失函数方面,选取GIoU（Generalized Intersection over Union）作为损失函数,提高目标识别的精度,降低目标漏检率。实验结果表明,基于改进YOLOv3（You Only Look Once v3）的目标检测算法在Pascal VOC测试集上的平均准确率均值（mAP）达到83.26%,与原YOLOv3算法相比提升了5.89个百分点,检测速度达22.0 frame/s;在COCO数据集上,与原YOLOv3算法相比,基于改进YOLOv3的目标检测算法在mAP上提升了3.28个百分点;同时,在进行多尺度的目标检测中,算法的mAP有所提升,验证了基于改进YOLOv3的目标检测算法的有效性。     

改进YOLOv5s的非机动车头盔佩戴检测方法

针对传统非机动车头盔检测算法目标漏检率高,在密集骑行场景下检测精度低等问题,提出了一种基于改进YOLOv5s的非机动车头盔佩戴检测算法。该算法采用Kmeans++算法聚类生成锚框,增强网络的稳定性;接着使用轻量级通用上采样算子(CARAFE)对高阶特征图进行上采样操作,增大感受野,充分利用特征语义信息;同时在Backbone模块和Head端前引入坐标注意力机制(coordinate attention,CA),在保证轻量化的同时,进一步提高算法的检测精度;最后利用DIo U-NMS对目标检测模型的输出后处理,降低密集场景下模型的漏检率,改善遮挡物体的检测能力。与YOLOv5s算法相比,改进后的算法精确度、召回率、平均精度分别提升了2.3%、1.5%和1.5%,能够实现对非机动车头盔佩戴的高精度检测。     

基于改进YOLOv5的电厂人员吸烟检测

发电厂厂区内违规吸烟易导致火灾、爆炸等事故,会带来巨大损失;针对电厂内人员违规吸烟行为检测精度不高的问题,提出一种基于改进YOLOv5s(You Only Look Once v5s)的电厂内人员违规吸烟检测方法;该方法以YOLOv5s网络为基础,将YOLOv5s网络C3模块Bottleneck中的3×3卷积替换为多头自注意力层以提高算法的学习能力;接着在网络中添加ECA(Efficient Channel Attention)注意力模块,让网络更加关注待检测目标;同时将YOLOv5s网络的损失函数替换为SIoU(Scylla Intersection over Union),进一步提高算法的检测精度;最后采用加权双向特征金字塔网络(BiFPN,Bidirectional Feature Pyramid Network)代替原先YOLOv5s的特征金字塔网络,快速进行多尺度特征融合;实验结果表明,改进后算法吸烟行为的检测精度为89.3%,与改进前算法相比平均精度均值(mAP,mean Average Precision)提高了2.2%,检测效果显著提升,具有较高应用价值。     

景区行人检测YOLOv5-GSPE算法模型研究与实现

针对景区内高密度行人检测中遮挡与小目标行人漏检率高、模型复杂度高、计算量大的问题,提出一种YOLOv5-GSPE改进算法模型,在保证精度的同时改善检测效果,降低模型复杂度。改进算法模型通过GhostConv优化主干网络中常规卷积(Conv)降低模型复杂度,并使用空洞卷积改善SPPF模块中池化操作带来的特征信息丢失,提升模型检测时效性,增强主干网络特征提取。提出一种增强的特征金字塔网络—PrFPN,使用同层连接进一步丰富原始输入特征的融合,减少特征提取过程中的特征损失。将引入正态分布计算优化后的EIoU损失函数作为边界框回归损失函数,提高边界框定位精度。实验结果表明,YOLOv5-GSPE算法模型对比YOLOv5s模型在保证检测时效性的情况下整体复杂度降低了12.51%,基于Pedestrian测试集的平均精度提升4.05%,基于WiderPerson测试集的平均精度提升3.28%,并降低了行人遮挡及小目标漏检率,改善了检测效果,该模型的可行性与有效性得到验证。     

改进YOLOv5s的无人机视角下小目标检测算法

无人机视角的小目标图像具有目标分布密集、类别不均衡以及特征不明显的特点，导致目标检测任务中出现漏检、误检的问题。针对这些问题，提出一种改进YOLOv5s小目标检测方法，以达到提高目标检测准确率与精确度的目的。重新聚类锚框，更精确地锁定检测区域。更改骨干网络结构，在空间金字塔池化层增加卷积，保证充分获取检测目标特征。同时，将网络结构中的C3模块替换成融合通道注意力机制的轻量级SEC2f模块，以提升网络对于小目标检测的局部特征捕获能力。融合解耦检测头，结合自适应锚框计算，有效提取目标区域的特征。在相同参数、相同环境条件下，在DOTA数据集上和VisDrone数据集上检测精度分别提升6.1%、5.2%，表明改进方法在小目标检测任务上的有效性；在公开数据集voc2007+2012上做通用性对比实验，结果表明改进算法具有通用性。     

基于注意力机制的YOLOv5算法在跑道异物检测中的应用

机场跑道异物严重影响飞行安全，针对现有算法对小目标存在误检、漏检等问题，提出一种改进的YOLOv5算法对机场跑道异物进行检测。在YOLOv5的主干网络中添加有效通道注意力（ECA）模块，通过少量参数的增加带来明显的性能增益。将颈部网络中原特征金字塔模块替换为加权双向特征金字塔（BiFPN）网络，实现双向跨尺度连接和加权特征融合。采用EIoU Loss作为损失函数，加快了收敛速度。在FOD-A数据集上的实验表明，改进后的YOLOv5模型均值平均精度（mAP@0.5）指标达到了97.4%，相比于原模型提高了1.6个百分点。     

改进YOLOv5s的无人机目标检测算法

无人机在情报、侦察和监视领域,目标自动检测可为侦察等任务提供准确的目标位置及类别,为地面指挥人员提供详尽的目标信息。针对无人机图像背景复杂、分辨率高、目标尺度差异大等特点,提出一种改进YOLOv5s目标检测算法。将压缩-激励模块引入到YOLOv5s算法中,提高网络的特征提取能力;引入双锥台特征融合（bifrustum feature fusion,BFF）结构,提高算法对较小目标的检测检测精度;将CIoU Loss替换GIoU Loss作为算法的损失函数,在提高边界框回归速率的同时提高定位精度。实验结果表明,改进后的YOLOv5s取得了86.3%的平均均值精度（mAP）,比原算法YOLOv5s提高了16.8个百分点,在复杂背景下仍能显著提升无人机图像目标检测性能。     

改进YOLOv5的遥感图像检测方法

针对YOLOv5在遥感图像目标检测中未能考虑到遥感图像背景复杂、检测目标较小且图像中目标语义信息占比过低导致的检测效果不佳和易出现误检漏检等问题,提出了一种改进YOLOv5的遥感图像目标检测方法。将轻量级的通道注意力机制引入到原始YOLOv5的特征提取和特征融合网络的C3模块中,以提升网络局部特征捕获与融合能力;强化对遥感图像的多尺度特征表达能力,通过增加一个融合浅层语义信息的细粒度检测层来提高对小目标的检测效果;使用Copy-Paste数据增强方法来丰富训练样本数量,在不增加模型计算量的情况下可进一步解决遥感图像背景信息占比过高而目标区域占比过低的问题。实验结果表明,改进YOLOv5在公开的DOTA和DIOR遥感图像数据集上mAP结果分别达到0.757和0.759。该方法较原始YOLOv5可提高0.017和0.059,相比于其他典型遥感目标检测方法在精度上也有所提升,证明了改进YOLOv5方法的有效性。     

改进yolov5s模型的航拍图像目标检测算法

针对yolov5对复杂背景下的无人机航拍图像目标的检测容易出现误检漏检等情况,本文提出了一种融合递归门控卷积和混合注意力的目标检测算法。首先对特征提取网络引入递归门控卷积C3模块,以获取丰富的语义和空间信息,提高算法的精准度;其次融合全维动态卷积以及混合注意力模块增强网络对航拍目标的辨识能力,排除杂质信息的干扰;最后改进损失函数来提高模型的收敛速度。在visdrone数据集上的实验表明,该方法的平均精度为46.6%,比基准模型yolov5s提升了13.6%,对目标的漏检和误检情况明显较少。相比于yolov5算法,该算法抗干扰能力得到提升,具有很好的鲁棒性,检测速度到112帧/s,符合航拍目标检测的实时要求。     

改进YOLOv3的道路小目标检测方法

为了研究传统目标检测算法在进行道路小目标检测时效果不佳及漏检率较高等问题,本文提出了一种基于改进YOLOv3的小目标检测方法.首先通过设计新的特征融合结构降低小目标漏检率,并且使用DIOU损失提高定位精确度.同时对YOLOv3算法中的聚类算法进行改进,采用K-means++算法改进聚类先验框中心点的提取,选取更为合适的Anchor Box,用于提高检测的平均精度和速度.在自制混合数据集上对行人及车辆进行对比检测,在不影响检测速度的情况下,改进的YOLOv3算法能够有效降低小目标物体漏检率,并且提高了检测精度.根据实验结果,本文所提出的改进YOLOv3模型在混合数据集上的平均精度达到92.82%,与未改进的YOLOv3算法相比提高了2.77%.     

基于NAM-YOLO网络的苹果缺陷检测算法

针对苹果缺陷检测经常误检漏检、缺陷易混淆等问题，提出一种基于改进YOLOv5的苹果缺陷检测算法。苹果缺陷检测对苹果分拣至关重要，现有检测苹果缺陷的方法主要是通过机器学习或卷积神经网络提取颜色和纹理特征，存在错误检测、漏检和特征提取能力不足等问题，不能满足缺陷检测精度与实时性的需求。NAM-YOLO算法主要有3个核心思想：1）通过将TRANS模块添加到骨干网络，更好地融合特征与全局信息；2）通过加权双向特征金字塔网络融合不同尺度的特征；3）将基于归一化的注意力机制NAM注意机制引入颈部网络，强化目标区域的关键特征，提高网络的检测精度。实验结果表明，改进算法的mAP达到98.90%，准确度为98.73%。与其他模型相比，该模型具有较好的特征融合能力，可较好地满足苹果分拣的实际需要。     

基于YOLOv7的交通目标检测算法研究

针对交通场景中由光照、遮挡、目标小以及背景复杂等因素导致目标检测精度低,易出现漏检和误检问题的情况,提出了一种基于YOLOv7的交通目标检测算法;该算法在主干网络中融入多头注意力机制,以增强网络特征学习能力,从而更好地捕获数据和特征内部的相关性;在YOLOv7颈部网络引入协调注意力模块(CA),将位置信息嵌入到注意力机制中,忽略无关信息的干扰,以增强网络的特征提取能力;增加一个多尺度检测网络,以增强模型对不同尺度目标的检测能力;将CIoU损失函数更改为SIoU函数,以减少模型收敛不稳定问题,提高模型的鲁棒性;实验结果表明,改进的算法在BDD100K公开数据集上的检测精度和速度分别达到了59.8% mAP和96.2 FPS,相比原算法检测精度提高了2.5%;这表明改进的算法在满足实时性要求的同时,具备良好的检测精度,适用于复杂情况下的交通目标检测任务。